Chińska propaganda w modelach AI to tylko cienka powłoka. Nous Research usuwa ją prostym dostrojeniem

Według Nous Research chińskie modele open-weight należą do najmocniejszych dostępnych modeli, ale wykazują zachowania zgodne z linią władz Chin. Amerykański startup Nous Research pokazał jednak, że polityczny narzut w gotowym modelu można drastycznie zredukować. W ramach projektu Arete-27B inżynierowie wzięli na warsztat model Qwen3.8-27B od Alibaby i poddali go ukierunkowanemu nadzorowanemu dostrojeniu (SFT). Wynik: udział odpowiedzi propagandowych spadł z 22 proc. do zaledwie 0,9 proc.

Według karty modelu Arete-27B na Hugging Face eksperyment oparto na zbiorze 52,8 mln tokenów (około 50 tys. próbek), a trening trwał dwie epoki i 1202 kroki. Zespół celowo zrezygnował z uczenia przez wzmacnianie (RL) czy optymalizacji preferencji. Chodziło o nadzorowane uczenie, mające – jak deklarują twórcy na karcie Arete-27B na platformie Hugging Face – wzmocnić zachodnie wartości w chińskim modelu przy zachowaniu jego ogólnych zdolności. Wagi Arete-27B oraz zbiory treningowe i testowe udostępniono publicznie na licencji Apache 2.0.

Grok jako automatyczny sędzia

Do oceny rezultatów Nous Research opracowało własny zbiór 803 zapytań podzielonych na siedem kategorii, takich jak wolność słowa, ideologia państwowa, inwigilacja czy demokracja. Każde pytanie powiązano ze zweryfikowanymi faktami pochodzącymi z przepisów prawa, raportów dziennikarskich lub badań naukowych. W roli automatycznego arbitra, weryfikującego zgodność odpowiedzi ze źródłami, obsadzono model Grok 4.7 od xAI. Ocenę uznawano za propagandową, jeśli powielała oficjalne stanowisko Pekinu zamiast udokumentowanych faktów lub stawiała narrację partyjną na równi z nimi.

W bazowej wersji Qwen3.8-27B aż 22 proc. wypowiedzi zawierało propagandowe zniekształcenia, a wskaźnik poprawności faktograficznej wynosił 2,32 w 5-stopniowej skali. Po dostrojeniu w Arete-27B poprawność wzrosła do 2,98, a odsetek propagandy zjechał poniżej jednego procenta – wyrównując poziom z zachodnimi konstrukcjami pokroju Gemma 4 czy Mistral Large 4. Najbardziej spektakularną zmianę odnotowano w kategorii wolności słowa: tam wskaźnik propagandy skurczył się z 60 proc. do zaledwie jednego.

Płytka warstwa cenzury

Według Nous Research dostrojenie nie pogorszyło ogólnych zdolności modelu. W wewnętrznym teście Hermes Bench Arete-27B osiągnął wynik 65,60 proc. wobec 65,77 proc. dla pierwowzoru z Alibaby. Według zespołu wyniki wskazują, że warstwa politycznej stronniczości w badanym modelu jest płytka.

„Warstwa stronniczości w modelu zoptymalizowanym pod kątem Chin jest płytka. Nakłada się ją późno, nakłada się ją cienko i pięćdziesiąt milionów tokenów starannie dobranego nadzoru usuwa ją bez naruszania czegokolwiek pod spodem” – czytamy w podsumowaniu opublikowanym przez Nous Research. Z badania ValsAI wynika, że także zachodnie modele sporadycznie przyjmowały oficjalne stanowisko Pekinu.

Problem politycznej ingerencji w chińskich algorytmach nie jest nowy. Przeprowadzony przez NewsGuard audyt czołowych chińskich modeli wykazał wcześniej, że w 60 proc. przypadków powielały one dezinformację lansowaną przez Pekin lub nie potrafiły jej skorygować. Zespół Nous Research dostrzegł również oznaki stronniczości dotyczącej Chin w modelu Nemotron firmy Nvidia i podejrzewa, że mogły one pochodzić z danych treningowych wygenerowanych przez chińskie modele open-weight.